Page 122 - 2025年第56卷第10期

由图 12 可知，在包含多条平行或交叉形态的裂缝图片数据集中，AGR-CrackNet 仍能够准确分割
出大部分的裂缝区域。这表明，合成的裂缝掩膜能够真实反映混凝土表面裂缝的复杂性和多样性，同
时进一步验证了 AGR-CrackNet 对复杂裂缝场景的适用性和稳定性。
5.3 AGR-CrackNet 作为裂缝标签生成器使用 AGR-CrackNet 通过重构损坏图像实现裂缝缺陷的分
割，但在重构网络训练时，需要强大的算力支持，网络模型参数量较大，无法布置在轻量化设备上。
然而，得益于 AGR-CrackNet 在裂缝分割中的高精度表现，它可以成为一种高效的裂缝分割工具，生
成裂缝-标签成对数据集用于训练轻量化网络模型，最终实现坝体裂缝的无线检测。
为验证基于 AGR-CrackNet 生成的标签数据集在有监督网络训练中的有效性，本文进行对比实验，
分别使用人工标注数据集和 AGR-CrackNet 生成的标签数据集，对常用的有监督网络进行训练，并在
相同的测试集上评估裂缝分割性能。测试结果的评价指标详见表 5。

表 5 使用不同标记方法训练的监督模型分割结果的评价指标 单位：%
算法 裂缝标记方法 Pr Re IoU F
1
人工 90.8 71.8 66.7 78.8
DeepLab v3+
AGR-CrackNet 83.7 80.9 69.7 80.9
人工 88.7 65.4 61.7 74.1
U-Net
AGR-CrackNet 81.2 73.8 62.3 74.8
人工 91.9 75.5 70.3 81.2
DeepCrack
AGR-CrackNet 86.3 87.2 75.8 85.6
AGR-CrackNet 86.3 85.6 74.7 84.9
注：结果为 100 张测试图像的平均值，最佳结果以粗体标注。标记方法中 AGR-CrackNet 表示使用 AGR-CrackNet 生成的标签训练相应
的有监督网络（DeepLab v3+、U-Net 和 DeepCrack）。

由表 5 可知，基于 AGR-CrackNet 产生的标签数据集和人工标注的数据集训练的有监督网络在评价
指标上差异较小，甚至在部分评价指标上，基于 AGR-CrackNet 生成的标签数据集训练的有监督网络
优于基于人工标注数据集训练的网络。这主要是因为 AGR-CrackNet 生成的数据集有效减少了由于复
杂裂缝背景导致的标注误差。因此，将 AGR-CrackNet 作为裂缝标签生成器使用也是可行的。

6 结论

本文提出一种基于重构网络的混凝土裂缝分割方法 AGR-CrackNet。该方法基于裂缝的形貌特征
产生损坏掩膜，结合包含注意力引导机制、对抗网络基本损失、掩膜对抗损失和内容注意力损失的重
构网络进行破损区域重构。通过计算重构图像与裂缝图像的绝对差值并进行二值化处理，实现裂缝区
域的精准分割。通过裂缝形态的特征分析、消融试验及多种算法在多个数据集上的比较，验证了所提
出的 AGR-CrackNet 网络的有效性和先进性。根据研究和测试结果，得出以下结论：
（1）AGR-CrackNet 基于重构思想，仅需完好的混凝土图像即可训练裂缝分割网络，避免了有监督
裂缝分割方法在成对数据集制作中的高成本和挑战。通过基于实际坝面采集的水上和水下裂缝数据集
的 对 比 实 验 显 示 ， AGR-CrackNet 的 综 合 评 价 指 标 F 较 其 他 无 监 督 方 法 分 别 提 升 10.0% ~ 66.8% 和
1
26.4% ~ 31.2%，且优于大部分有监督算法，展现出优异的性能。在包含多条平行或交叉等复杂裂缝形
态的样本中也表现出较好的效果。
（2）消融实验表明，新引入的考虑裂缝形貌特征的随机损坏机制和注意力引导训练机制显著提升
了裂缝的分割效果，并有效减少了噪声区域的误分割。
（3）考虑到部分轻量化有监督网络训练需求，讨论了基于 AGR-CrackNet 生成标签与人工标注数据

进行有监督网络训练的差异。结果表明，两者训练的模型在裂缝分割指标上差异较小，验证了 AGR-
CrackNet 作为高质量标签生成器的可行性。

— 1369 —